CN113128106A - 一种岩溶地层盾构施工引起地表沉降的确定方法 - Google Patents
一种岩溶地层盾构施工引起地表沉降的确定方法 Download PDFInfo
- Publication number
- CN113128106A CN113128106A CN202110368071.7A CN202110368071A CN113128106A CN 113128106 A CN113128106 A CN 113128106A CN 202110368071 A CN202110368071 A CN 202110368071A CN 113128106 A CN113128106 A CN 113128106A
- Authority
- CN
- China
- Prior art keywords
- parameters
- data
- shield
- deep learning
- long
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 239000002689 soil Substances 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 34
- 235000019994 cava Nutrition 0.000 claims description 29
- 238000009412 basement excavation Methods 0.000 claims description 18
- 238000005553 drilling Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000009933 burial Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- QBPFLULOKWLNNW-UHFFFAOYSA-N chrysazin Chemical compound O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=CC=C2O QBPFLULOKWLNNW-UHFFFAOYSA-N 0.000 claims description 3
- 238000007596 consolidation process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000005527 soil sampling Methods 0.000 claims description 3
- 230000005641 tunneling Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000005755 formation reaction Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开一种岩溶地层盾构施工引起地表沉降的确定方法,包括以下步骤:S1:收集隧道的几何参数;S2:收集地质参数以及岩溶洞穴的几何参数;S3:收集隧道盾构施工中盾构操作参数;S4:收集最大地表沉降;S5:基于步骤S1至S4收集的参数,建立盾构数据集,划分训练集和测试集;S6:建立长短记忆深度学习神经网络,通过扩展训练模式将训练集输入所述网络进行训练,并采用试错法确定全连接隐藏层中的节点数,利用测试集进行测试,当测试集准确率达到要求时结束训练,保存此时训练好的网络;S7:利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测。本发明考虑到岩溶洞穴的影响和地面沉降长期作用的影响,更加准确地预测地面沉降。
Description
技术领域
本发明涉及隧道工程领域,更具体地,涉及一种岩溶地层盾构施工引起地表沉降的确定方法。
背景技术
在广东、广西等华南地区,岩溶地层是隧道建设中常见的不良地质。岩溶洞穴通常分布在含有碳酸盐岩、硫酸岩等可溶性岩石的地层中。在地下水腐蚀和风化作用下,这些可溶性岩石会发生不同程度的局部溶解。因此,岩溶洞穴呈现出不同几何尺寸和随机分布的特点。在隧道施工等扰动条件下,岩溶洞穴存在坍塌破坏的风险,从而诱发地面塌陷等地质灾害。为预防地质灾害,在隧道开挖前需用混凝土材料对溶洞进行灌浆填充处理。由于地层遮挡,填充处理过程无法判断,填充效果难以预测。因此,岩溶地层隧道开挖引起的地面沉降预测十分困难。预测隧道开挖引起地表沉降的传统方法包括经验方法、数值模拟方法和解析方法。传统方法一般分为两个阶段:(1)地层条件的理想化,(2)需要为每个地层选择合适的材料本构方法。然而,由于岩溶洞穴中存在地下水和空气,填充处理效果不均匀,因此不能简单地对岩溶地层进行理想化处理。此外,仍然缺少能够胶结岩溶洞穴特性的本构方法。因此,现有方法无法精确预测岩溶地区地面沉降。
经对现有文献检索发现,中国专利申请号为CN201910068462.X,基于循环神经网络的盾构施工地面沉降预测方法,该专利自述为:“该方法选取盾构法隧道挖掘中的隧道位置、地质条件和盾构参数,以及截至当前时刻沉降观测值为输入数据,通过循环层和多个直连接层的结构自行学习特征,不断优化方法参数,通过测试集的验证后,最终得到可投入实际工程使用的地面沉降预测方法。”该方法采用循环神经网络方法预测盾构挖掘引起的地面沉降。但未考虑岩溶洞穴等特殊地层的作用影响,且该方法仅采用10个历史时刻的沉降预测3个未来时刻的地面沉降,忽略了地面沉降数据的长期作用影响。因此需要提出一种新的能够考虑岩溶洞穴作用影响和地面沉降长期作用影响的地面沉降计算方法。
发明内容
本发明提供一种岩溶地层盾构施工引起地表沉降的确定方法,克服了现有方法无法考虑岩溶洞穴作用影响的缺陷,能够考虑地面沉降的长期相互作用,评估地质条件的空间变异性和运行参数的时间变化,计算结果精确可靠。
为解决上述技术问题,本发明的技术方案如下:
一种岩溶地层盾构施工引起地表沉降的确定方法,包括以下步骤:
S1:根据隧道设计图纸确定隧道每一环管片埋深D,收集隧道的几何参数;
S2:通过隧道沿线地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数,并计算每一环管片的加权地质参数;
S3:收集隧道盾构施工中盾构操作参数并对盾构操作参数进行预处理;
S4:收集隧道中心线监测点处测得的最大地表沉降
S5:基于步骤S1至S4收集的参数,建立盾构数据集,划分训练集和测试集并进行归一化处理;
S6:建立长短记忆深度学习神经网络,通过扩展训练模式将训练集输入所述长短记忆深度学习神经网络进行训练,并采用试错法确定长短记忆深度学习神经网络中全连接隐藏层中的节点数,利用测试集对长短记忆深度学习神经网络进行测试,当测试集准确率达到要求时结束训练,保存此时训练好的长短记忆深度学习神经网络;
S7:利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测。
优选地,步骤S1中所述每一环管片埋深D具体为隧道顶部管片最外侧距离地面的垂直距离。
优选地,步骤S2中所述地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数具体为:
沿拟建隧道区间两侧交叉布置钻探孔,通过取土试样获取地层分布和地质参数,所述地层分布为根据沿线钻探孔测得的各地层上下界面的厚度th,所述地质参数为对沿线钻探孔得到的各层土样进行物理力学试验得到的地质参数,包括土层重度γ,粘聚力c,和内摩擦角
所述岩溶洞穴的几何参数为岩溶洞穴的分布、大小和处理情况,所述处理情况为是否存在岩溶洞穴以及岩溶洞穴是否经过灌浆填充处理,其中以1表示经过填充处理的岩溶洞穴,0.5表示未经填充处理的岩溶洞穴,0.1表示不存在岩溶洞穴。
上式中,i表示第i层土层,k表示总共有k层土层,thsum表示所有土层的总厚度,thi表示第i层土层的厚度,γi表示第i层土层的土层重度,ci表示第i层土层的土层重度的粘聚力,表示第i层土层的内摩擦角。、
优选地,步骤S3中盾构操作参数具体为盾构机开挖时每分钟自动检测并记录的与土压值相关的施工参数,包括土压平衡盾构机的推力、注浆压力、注浆体积、渗透率、室压、水平偏差和垂直偏差。
优选地,步骤S3中对对盾构操作参数进行预处理包括去除异常值、求取每环平均值和数据降噪处理,具体为:
去除异常值为剔除每一环管片中,各盾构操作参数中大于或小于对应平均值超过3倍标准差的异常数据;
求取每环平均值为每一环管节施工时间内的各操作参数的平均值;
数据降噪处理为用宽度为3的移动窗格,求取移动窗格中的各盾构操作参数的平均值来对数据进行平滑降噪处理。
优选地,步骤S5中建立盾构数据集,划分训练集和测试集,具体为:
所述盾构数据集是指所有步骤S1至S4收集的参数形成的样本组成的数据集,每个样本由输入数据和输出数据组成,其中,输入数据为地面沉降的影响因素,包括地层分布、地质参数、岩溶洞穴的几何参数、盾构操作参数和隧道几何参数,所述输出数据为隧道中心线监测点处测得的最大地表沉降,所述最大地表沉降包含瞬时地表沉降、土壤固结沉降以及溶洞扰动产生的附加沉降。
优选地,步骤S5中所述归一化处理是指对数据进行无量纲化处理,把数据映射到[0,1]范围,归一化公式为:
式中,x为待归一化的数据,xmax为待归一化数据中值最大的数据,xnorm为归一化后的数据。
优选地,步骤S6中,所述长短记忆深度学习神经网络包括输入层、长短记忆深度学习单元层、全连接隐藏层和输出层,所述长短记忆深度学习神经在时间维度上具有t时间步长,用于预测t时间步长的时间序列数据;
所述长短记忆深度学习单元层包括输入门、输出门、遗忘门和输入单元,通过单元内部门控操作对输入层当前的输入数据Xt以及前一个长短记忆深度学习单元细胞状态ct-1进行重置和更新:
it=S(Wi×Xt+Ri×yL t-1+bi)
ft=S(Wf×Xt+Rf×yL t-1+bf)
ot=S(Wo×Xt+Ro×yL t-1+bo)
zt=T(Wz×Xt+Rz×yL t-1+bz)
ct=it⊙zt+ct-1⊙ft
yL t=T(ct)⊙ot
yH t=T(WH×yL t)
Yt=T(WY×yH t)
式中,Xt表示输入数据,Yt表示长短记忆深度学习神经网络在t时间步长的输出数据;Wi,Wo,Wf,Wz分别表示输入门、输出门、遗忘门、长短记忆深度学习单元的输入单元的权重;Ri,Ro,Rf,Rz分别表示输入门、输出门、遗忘门和输入单元的递归权重;bi,bo,bf,bz分别表示输入门、输出门、遗忘门和输入单元的偏置权重;yL t表示长短记忆深度学习单元在t时刻的输出数据;it,ft,ot,zt分别表示输入门、遗忘门、输出门和输入单元的输出数据;ct表示长短记忆深度学习单元的细胞状态;yH t表示在t时刻全连接隐藏层的输出数据;WH,WY,分别表示全连接隐藏层和输出层的权重;S表示sigmoid函数,T代表双曲正切函数,⊙表示矩阵逐元素相乘的Hadamard乘积算子;
所述输出层用于接收全连接隐藏层的信息,并输出预测地表沉降值;
所述t时间步长的时间序列数据是指将训练集和测试集的数据在时间维度上进行一个升维处理,即每次输入长短记忆深度学习神经网络的变量为t时间步长的序列X=[X1,X2,……Xt],其中,Xt为第t时刻的输入列向量;
所述扩展训练模式是指在隧道开挖过程中,将不断增加的历史数据添加到数据集中,形成扩展数据库,扩展数据库将继续重新训练扩展的长短记忆深度学习神经网络;
所述试错法是指对比全连接隐藏层节点数从1到20的训练性能,通过均方根误差和测定系数来判断其性能,从而确定全连接隐藏层中的节点数;
所述均方根误差用来定义长短记忆深度学习方法的成本函数J:
式中,λ表示正则化参数,i表示第i组输入数据集,N表示样本数,yi表示第i组实测的地表沉降,ypi表示第i组预测的地表沉降。
优选地,步骤S7中利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测,具体为:
将未来指定盾构管片对应的地质参数、几何参数、预设盾构操作参数输入网络,对地面沉降进行预测;
判断预测值是否在控制范围内,若在此范围内,则预设盾构操作参数设置合理,可调整隧道开挖施工,对地表沉降进行控制;若不在控制范围内,则需要对盾构操作参数进行优化,以使预测值满足要求;
按照最优盾构操作参数进行下一环的施工,更新隧道施工历史数据并重复预测直到掘进完成。
与现有技术相比,本发明技术方案的有益效果是:
本发明利用长短记忆深度学习神经网络能够在时间维度上不断扩展,利用时间序列能力来处理数据,这使得本发明能够快速响应地层条件的变化,从而考虑到岩溶洞穴的影响和地面沉降长期作用的影响,克服了现有方法的缺陷,更加准确地预测地面沉降。
附图说明
图1为本发明的方法流程示意图。
图2为实施例中使用本发明的方法对隧道开挖导致地面沉降的训练和测试结果示意图。
图3为实施例中使用本发明的方法对隧道开挖导致地面沉降的测量数据与预测结果的相关性示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种岩溶地层盾构施工引起地表沉降的确定方法,如图1,包括以下步骤:
S1:根据隧道设计图纸确定隧道每一环管片埋深D,收集隧道的几何参数;
S2:通过隧道沿线地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数,并计算每一环管片的加权地质参数;
S3:收集隧道盾构施工中盾构操作参数并对盾构操作参数进行预处理;
S4:收集隧道中心线监测点处测得的最大地表沉降
S5:基于步骤S1至S4收集的参数,建立盾构数据集,划分训练集和测试集并进行归一化处理;
S6:建立长短记忆深度学习神经网络,通过扩展训练模式将训练集输入所述长短记忆深度学习神经网络进行训练,并采用试错法确定长短记忆深度学习神经网络中全连接隐藏层中的节点数,利用测试集对长短记忆深度学习神经网络进行测试,当测试集准确率达到要求时结束训练,保存此时训练好的长短记忆深度学习神经网络;
S7:利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测。
步骤S1中所述隧道设计图纸是指隧道施工图纸中对隧道每一环管片均进行区分的纵剖面图或立面图。
步骤S1中所述每一环管片埋深D具体为隧道顶部管片最外侧距离地面的垂直距离,本实施例中最小埋深为7m,最大埋深为8.5m。
步骤S2中所述地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数具体为:
沿拟建隧道区间两侧交叉布置钻探孔,通过取土试样获取地层分布和地质参数,所述钻探孔一般布置于隧道结构外侧3~5m处,孔距30~50m。
所述地层分布为根据沿线钻探孔测得的各地层上下界面的厚度th,主要分布地层依次为回填土、砂土、泥质粘土、残积土和风化灰岩。
所述岩溶洞穴的几何参数为岩溶洞穴的分布、大小和处理情况,分别用洞穴高度、距隧道底部的距离和处理情况来对岩溶洞穴的几何参数进行描述。
所述处理情况为是否存在岩溶洞穴以及岩溶洞穴是否经过灌浆填充处理,其中以1表示经过填充处理的岩溶洞穴,0.5表示未经填充处理的岩溶洞穴,0.1表示不存在岩溶洞穴。
上式中,i表示第i层土层,k表示总共有k层土层,thsum表示所有土层的总厚度,thi表示第i层土层的厚度,γi表示第i层土层的土层重度,ci表示第i层土层的土层重度的粘聚力,表示第i层土层的内摩擦角,本实施例中,所述总厚度thsum设置为地面以下40m。
步骤S3中盾构操作参数具体为盾构机开挖时每分钟自动检测并记录的与土压值相关的施工参数,包括土压平衡盾构机的推力、注浆压力、注浆体积、渗透率、室压、水平偏差和垂直偏差。
步骤S3中对对盾构操作参数进行预处理包括去除异常值、求取每环平均值和数据降噪处理,具体为:
去除异常值为剔除每一环管片中,各盾构操作参数中大于或小于对应平均值超过3倍标准差的异常数据;
求取每环平均值为每一环管节施工时间内的各操作参数的平均值;
数据降噪处理为用宽度为3的移动窗格,求取移动窗格中的各盾构操作参数的平均值来对数据进行平滑降噪处理。
步骤S5中建立盾构数据集,划分训练集和测试集,具体为:
所述盾构数据集是指所有步骤S1至S4收集的参数形成的样本组成的数据集,每个样本由输入数据和输出数据组成,其中,输入数据为地面沉降的影响因素,包括地层分布、地质参数、岩溶洞穴的几何参数、盾构操作参数和隧道几何参数,所述输出数据为隧道中心线监测点处测得的最大地表沉降,所述最大地表沉降包含瞬时地表沉降、土壤固结沉降以及溶洞扰动产生的附加沉降。
步骤S5中所述归一化处理是指对数据进行无量纲化处理,把数据映射到[0,1]范围,归一化公式为:
式中,x为待归一化的数据,xmax为待归一化数据中值最大的数据,xnorm为归一化后的数据。
步骤S6中,所述长短记忆深度学习神经网络包括输入层、长短记忆深度学习单元层、全连接隐藏层和输出层,所述长短记忆深度学习神经在时间维度上具有t时间步长,用于预测t时间步长的时间序列数据;
所述长短记忆深度学习单元层包括输入门、输出门、遗忘门和输入单元,通过单元内部门控操作对输入层当前的输入数据Xt以及前一个长短记忆深度学习单元细胞状态ct-1进行重置和更新:
it=S(Wi×Xt+Ri×yL t-1+bi)
ft=S(Wf×Xt+Rf×yL t-1+bf)
ot=S(Wo×Xt+Ro×yL t-1+bo)
zt=T(Wz×Xt+Rz×yL t-1+bz)
ct=it⊙zt+ct-1⊙ft
yL t=T(ct)⊙ot
yH t=T(WH×yL t)
Yt=T(WY×yH t)
式中,Xt表示输入数据,Yt表示长短记忆深度学习神经网络在t时间步长的输出数据;Wi,Wo,Wf,Wz分别表示输入门、输出门、遗忘门、长短记忆深度学习单元的输入单元的权重;Ri,Ro,Rf,Rz分别表示输入门、输出门、遗忘门和输入单元的递归权重;bi,bo,bf,bz分别表示输入门、输出门、遗忘门和输入单元的偏置权重;yL t表示长短记忆深度学习单元在t时刻的输出数据;it,ft,ot,zt分别表示输入门、遗忘门、输出门和输入单元的输出数据;ct表示长短记忆深度学习单元的细胞状态;yH t表示在t时刻全连接隐藏层的输出数据;WH,WY,分别表示全连接隐藏层和输出层的权重;S表示sigmoid函数,T代表双曲正切函数,⊙表示矩阵逐元素相乘的Hadamard乘积算子;
所述输出层用于接收全连接隐藏层的信息,并输出预测地表沉降值;
所述t时间步长的时间序列数据是指将训练集和测试集的数据在时间维度上进行一个升维处理,即每次输入长短记忆深度学习神经网络的变量为t时间步长的序列X=[X1,X2,……Xt],其中,Xt为第t时刻的输入列向量;
所述扩展训练模式是指在隧道开挖过程中,将不断增加的历史数据添加到数据集中,形成扩展数据库,扩展数据库将继续重新训练扩展的长短记忆深度学习神经网络;
所述试错法是指对比全连接隐藏层节点数从1到20的训练性能,通过均方根误差和测定系数来判断其性能,从而确定全连接隐藏层中的节点数;
所述均方根误差用来定义长短记忆深度学习方法的成本函数J:
式中,λ表示正则化参数,i表示第i组输入数据集,N表示样本数,yi表示第i组实测的地表沉降,ypi表示第i组预测的地表沉降,本实施例中λ定义为0.02。随着全连接隐藏层节点数量的增加,训练性能不断提高。当随着节点数增加,长短记忆深度学习方法几乎没有改进时,基于稳定性和计算成本,从而确定全连接隐藏层中的节点数。随着隐藏层节点数量的增加,训练性能不断提高。当节点数超过8时,长短记忆深度学习方法几乎没有改进。基于稳定性和计算成本,在本实施例中隐藏层的节点数确定为10,确定所述全连接隐藏层包含10个节点,用于接收长短记忆深度学习单元流出的信息。
步骤S7中利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测,具体为:
将未来指定盾构管片对应的地质参数、几何参数、预设盾构操作参数输入网络,对地面沉降进行预测;
判断预测值是否在控制范围内,若在此范围内,则预设盾构操作参数设置合理,可调整隧道开挖施工,对地表沉降进行控制;若不在控制范围内,则需要对盾构操作参数进行优化,以使预测值满足要求;
按照最优盾构操作参数进行下一环的施工,更新隧道施工历史数据并重复预测直到掘进完成。
在具体的实施例中,利用本发明的方法对隧道开挖导致地面沉降的训练和测试结果如图2所示,对隧道开挖导致地面沉降测量数据与预测结果的相关性示意图如图3所示,由此可见,本发明可以准确地预测地面沉降。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,包括以下步骤:
S1:根据隧道设计图纸确定隧道每一环管片埋深D,收集隧道的几何参数;
S2:通过隧道沿线地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数,并计算每一环管片的加权地质参数;
S3:收集隧道盾构施工中盾构操作参数并对盾构操作参数进行预处理;
S4:收集隧道中心线监测点处测得的最大地表沉降;
S5:基于步骤S1至S4收集的参数,建立盾构数据集,划分训练集和测试集并进行归一化处理;
S6:建立长短记忆深度学习神经网络,通过扩展训练模式将训练集输入所述长短记忆深度学习神经网络进行训练,并采用试错法确定长短记忆深度学习神经网络中全连接隐藏层中的节点数,利用测试集对长短记忆深度学习神经网络进行测试,当测试集准确率达到要求时结束训练,保存此时训练好的长短记忆深度学习神经网络;
S7:利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测。
2.根据权利要求1所述的岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,步骤S1中所述每一环管片埋深D具体为隧道顶部管片最外侧距离地面的垂直距离。
3.根据权利要求1所述的岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,步骤S2中所述地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数具体为:
沿拟建隧道区间两侧交叉布置钻探孔,通过取土试样获取地层分布和地质参数,所述地层分布为根据沿线钻探孔测得的各地层上下界面的厚度th,所述地质参数为对沿线钻探孔得到的各层土样进行物理力学试验得到的地质参数,包括土层重度γ,粘聚力c,和内摩擦角
所述岩溶洞穴的几何参数为岩溶洞穴的分布、大小和处理情况,所述处理情况为是否存在岩溶洞穴以及岩溶洞穴是否经过灌浆填充处理,其中以1表示经过填充处理的岩溶洞穴,0.5表示未经填充处理的岩溶洞穴,0.1表示不存在岩溶洞穴。
5.根据权利要求4所述的岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,步骤S3中盾构操作参数具体为盾构机开挖时每分钟自动检测并记录的与土压值相关的施工参数,包括土压平衡盾构机的推力、注浆压力、注浆体积、渗透率、室压、水平偏差和垂直偏差。
6.根据权利要求5所述的岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,步骤S3中对对盾构操作参数进行预处理包括去除异常值、求取每环平均值和数据降噪处理,具体为:
去除异常值为剔除每一环管片中,各盾构操作参数中大于或小于对应平均值超过3倍标准差的异常数据;
求取每环平均值为每一环管节施工时间内的各操作参数的平均值;
数据降噪处理为用宽度为3的移动窗格,求取移动窗格中的各盾构操作参数的平均值来对数据进行平滑降噪处理。
7.根据权利要求6所述的岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,步骤S5中建立盾构数据集,划分训练集和测试集,具体为:
所述盾构数据集是指所有步骤S1至S4收集的参数形成的样本组成的数据集,每个样本由输入数据和输出数据组成,其中,输入数据为地面沉降的影响因素,包括地层分布、地质参数、岩溶洞穴的几何参数、盾构操作参数和隧道几何参数,所述输出数据为隧道中心线监测点处测得的最大地表沉降,所述最大地表沉降包含瞬时地表沉降、土壤固结沉降以及溶洞扰动产生的附加沉降。
9.根据权利要求8所述的岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,步骤S6中,所述长短记忆深度学习神经网络包括输入层、长短记忆深度学习单元层、全连接隐藏层和输出层,所述长短记忆深度学习神经在时间维度上具有t时间步长,用于预测t时间步长的时间序列数据;
所述长短记忆深度学习单元层包括输入门、输出门、遗忘门和输入单元,通过单元内部门控操作对输入层当前的输入数据Xt以及前一个长短记忆深度学习单元细胞状态ct-1进行重置和更新:
it=S(Wi×Xt+Ri×yL t-1+bi)
ft=S(Wf×Xt+Rf×yL t-1+bf)
ot=S(Wo×Xt+Ro×yL t-1+bo)
zt=T(Wz×Xt+Rz×yL t-1+bz)
ct=it⊙zt+ct-1⊙ft
yL t=T(ct)⊙ot
yH t=T(WH×yL t)
Yt=T(WY×yH t)
式中,Xt表示输入数据,Yt表示长短记忆深度学习神经网络在t时间步长的输出数据;Wi,Wo,Wf,Wz分别表示输入门、输出门、遗忘门、长短记忆深度学习单元的输入单元的权重;Ri,Ro,Rf,Rz分别表示输入门、输出门、遗忘门和输入单元的递归权重;bi,bo,bf,bz分别表示输入门、输出门、遗忘门和输入单元的偏置权重;yL t表示长短记忆深度学习单元在t时刻的输出数据;it,ft,ot,zt分别表示输入门、遗忘门、输出门和输入单元的输出数据;ct表示长短记忆深度学习单元的细胞状态;yH t表示在t时刻全连接隐藏层的输出数据;WH,WY,分别表示全连接隐藏层和输出层的权重;S表示sigmoid函数,T代表双曲正切函数,⊙表示矩阵逐元素相乘的Hadamard乘积算子;
所述输出层用于接收全连接隐藏层的信息,并输出预测地表沉降值;
所述t时间步长的时间序列数据是指将训练集和测试集的数据在时间维度上进行一个升维处理,即每次输入长短记忆深度学习神经网络的变量为t时间步长的序列X=[X1,X2,……Xt],其中,Xt为第t时刻的输入列向量;
所述扩展训练模式是指在隧道开挖过程中,将不断增加的历史数据添加到数据集中,形成扩展数据库,扩展数据库将继续重新训练扩展的长短记忆深度学习神经网络;
所述试错法是指对比全连接隐藏层节点数从1到20的训练性能,通过均方根误差和测定系数来判断其性能,从而确定全连接隐藏层中的节点数;
所述均方根误差用来定义长短记忆深度学习方法的成本函数J:
式中,λ表示正则化参数,i表示第i组输入数据集,N表示样本数,yi表示第i组实测的地表沉降,ypi表示第i组预测的地表沉降。
10.根据权利要求8所述的岩溶地层盾构施工引起地表沉降的确定方法,其特征在于,步骤S7中利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测,具体为:
将未来指定盾构管片对应的地质参数、几何参数、预设盾构操作参数输入网络,对地面沉降进行预测;
判断预测值是否在控制范围内,若在此范围内,则预设盾构操作参数设置合理,可调整隧道开挖施工,对地表沉降进行控制;若不在控制范围内,则需要对盾构操作参数进行优化,以使预测值满足要求;
按照最优盾构操作参数进行下一环的施工,更新隧道施工历史数据并重复预测直到掘进完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368071.7A CN113128106B (zh) | 2021-04-06 | 2021-04-06 | 一种岩溶地层盾构施工引起地表沉降的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368071.7A CN113128106B (zh) | 2021-04-06 | 2021-04-06 | 一种岩溶地层盾构施工引起地表沉降的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128106A true CN113128106A (zh) | 2021-07-16 |
CN113128106B CN113128106B (zh) | 2023-03-21 |
Family
ID=76774988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110368071.7A Active CN113128106B (zh) | 2021-04-06 | 2021-04-06 | 一种岩溶地层盾构施工引起地表沉降的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128106B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114034334A (zh) * | 2021-09-15 | 2022-02-11 | 青岛理工大学 | 岩溶管道污染源和流量的识别方法 |
CN114219134A (zh) * | 2021-11-30 | 2022-03-22 | 苏州大学 | 一种盾构施工引起地面沉降的预测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105735370A (zh) * | 2016-03-02 | 2016-07-06 | 铁道第三勘察设计院集团有限公司 | 基于瑞雷波的基础沉降变形预测方法 |
CN106372297A (zh) * | 2016-08-29 | 2017-02-01 | 上海交通大学 | 砂土岩溶地层中盾构与溶洞安全垂直距离的确定方法 |
CN106499407A (zh) * | 2016-10-20 | 2017-03-15 | 上海交通大学 | 一种岩溶地区盾构隧道安全盾尾注浆压力的确定方法 |
CN107480349A (zh) * | 2017-07-26 | 2017-12-15 | 中国铁路总公司 | 基于三维地质模型和反分析的高铁沿线地面沉降预测方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
JP2020051213A (ja) * | 2018-09-28 | 2020-04-02 | 大和ハウス工業株式会社 | 地盤予測システム |
CN111832223A (zh) * | 2020-06-29 | 2020-10-27 | 上海隧道工程有限公司 | 基于神经网络的盾构施工地表沉降预测方法 |
CN112364422A (zh) * | 2020-11-13 | 2021-02-12 | 中铁二十局集团有限公司 | 基于mic-lstm的盾构施工地表变形动态预测方法 |
-
2021
- 2021-04-06 CN CN202110368071.7A patent/CN113128106B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105735370A (zh) * | 2016-03-02 | 2016-07-06 | 铁道第三勘察设计院集团有限公司 | 基于瑞雷波的基础沉降变形预测方法 |
CN106372297A (zh) * | 2016-08-29 | 2017-02-01 | 上海交通大学 | 砂土岩溶地层中盾构与溶洞安全垂直距离的确定方法 |
CN106499407A (zh) * | 2016-10-20 | 2017-03-15 | 上海交通大学 | 一种岩溶地区盾构隧道安全盾尾注浆压力的确定方法 |
CN107480349A (zh) * | 2017-07-26 | 2017-12-15 | 中国铁路总公司 | 基于三维地质模型和反分析的高铁沿线地面沉降预测方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
JP2020051213A (ja) * | 2018-09-28 | 2020-04-02 | 大和ハウス工業株式会社 | 地盤予測システム |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
CN111832223A (zh) * | 2020-06-29 | 2020-10-27 | 上海隧道工程有限公司 | 基于神经网络的盾构施工地表沉降预测方法 |
CN112364422A (zh) * | 2020-11-13 | 2021-02-12 | 中铁二十局集团有限公司 | 基于mic-lstm的盾构施工地表变形动态预测方法 |
Non-Patent Citations (3)
Title |
---|
李洛宾 等: "基于循环神经网络的盾构隧道引发地面最大沉降预测", 《土木工程学报》, 30 November 2020 (2020-11-30), pages 13 - 19 * |
蔡义: "城市隧道施工影响下含空洞地层的变形与破坏研究", 《中国优秀博硕士学位论文全文数据库 (博士)基础科学辑》, 15 March 2021 (2021-03-15), pages 011 - 147 * |
赵明堂 等: "灰色预测模型在堆载预压地基沉降监测中的应用", 《资源环境与工程》, 31 October 2006 (2006-10-31), pages 523 - 526 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114034334A (zh) * | 2021-09-15 | 2022-02-11 | 青岛理工大学 | 岩溶管道污染源和流量的识别方法 |
CN114034334B (zh) * | 2021-09-15 | 2023-11-07 | 青岛理工大学 | 岩溶管道污染源和流量的识别方法 |
CN114219134A (zh) * | 2021-11-30 | 2022-03-22 | 苏州大学 | 一种盾构施工引起地面沉降的预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113128106B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Embankment prediction using testing data and monitored behaviour: A Bayesian updating approach | |
CN113128106B (zh) | 一种岩溶地层盾构施工引起地表沉降的确定方法 | |
Yang et al. | Prediction of mining subsidence under thin bedrocks and thick unconsolidated layers based on field measurement and artificial neural networks | |
Fattahi et al. | Hybrid Monte Carlo simulation and ANFIS-subtractive clustering method for reliability analysis of the excavation damaged zone in underground spaces | |
CN112906153B (zh) | 基于lstm的土压平衡盾构的土压智能动态调控方法 | |
Shi et al. | Geology prediction based on operation data of TBM: Comparison between deep neural network and soft computing methods | |
CN107315862A (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
CN104179514A (zh) | 水下隧道破碎围岩突水预测与渗流控制的方法 | |
CN108842821B (zh) | 一种钻爆法修建海底隧道合理埋深的计算方法 | |
CN116703244B (zh) | 采矿沉陷区治理效果与综合评价方法 | |
CN114592519A (zh) | 基坑开挖对下卧既有隧道的工程影响分区划分方法 | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
Meng et al. | Models and mechanisms of drilling-induced sinkhole in China | |
CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
CN114969884A (zh) | 一种盾构隧道开挖过程及地表变形三维有限差分数值模拟方法 | |
Prosperi et al. | Empirical fragility and ROC curves for masonry buildings subjected to settlements | |
CN116756807A (zh) | 耦合施工过程的线性地下工程涌水量数值预测方法 | |
CN110555598A (zh) | 岩溶地基稳定性模糊综合评判方法 | |
Javadi | Estimation of air losses in compressed air tunneling using neural network | |
Jelušič et al. | An adaptive network fuzzy inference system approach for site investigation | |
Karasev et al. | Estimation of Surface Settlements Troughs Due to Subway Station Construction in Claystone | |
CN115081311A (zh) | 一种基坑支护监测预警方法及基坑支护监测预警*** | |
CN110263366B (zh) | 一种确定悬挂式止水帷幕***降水含水层中深度的方法 | |
Gorska et al. | Analysis of displacement of excavation based on inclinometer measurements | |
LU502946B1 (en) | Real-time prediction method of groundwater seepage field in cultural site areas |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |